非线性多维时间序列模式分类的新方法

多变量非线性时间序列的模式分类是在工业过程领域广泛存在的问题,结合流形学习和支持向量分类机的特点,提出了解决该类问题的一个新方法。该方法应用核化流形学习算法K-Isomap,将高维非线性时间序列映射到低维特征空间实现维数约减,在低维特征空间中采用支持向量机设计分类器实现非线性时间序列的模式分类,该方法充分利用核化流形学习的特点,得到了较好的模型性能。应用该方法对Tennessee Eastman(TE)过程的故障分类进行了实验分析,结果表明该方法的有效性。

基于监督双限制连接Isomap算法的带钢表面缺陷图像分类方法

根据带钢表面缺陷图像具有复杂纹理结构、包含大量干扰信息、具备高维非线性几何结构等特点,本文提出基于监督双限制连接Isomap方法的带钢表面缺陷图像降维方法 (dls-Isomap).该方法以Isomap降维方法为基础,对其邻域图的连接方式进行K邻域(K-nearest neighbor,KNN)和ε-半径两个方面的限制性连接,并使用数据类别作为监督对类间邻域点进行扩展连接.针对多类Roll-swiss数据实验表明,dls-Isomap降维方法不仅能够在低维空间中完整嵌入所有数据点,而且能保持数据各类内和类间的几何结构,以及解决Isomap算法存在的"短路边"问题;针对带钢表面缺陷图像分类实验表明,基于dls-Isomap的新分类方法适合含水、油渍等干扰较多的带钢表面缺陷的分类任务,其中冷轧带钢5类缺陷识别率可以达78%.含水渍的热轧带钢缺陷识别率可以达到93%,其中水渍干扰图像的识别率达到97.6%.

高维流形视角下采用ISOMAP降维的配网户变关系辨识

准确的户变关系是配网线损计算、故障定位和三相平衡等高级应用的基础。低压配网的户变关系辨识算法大多基于电压相关性原理,而电压相关性随供电半径增加而减弱,电压采集频次较低无法可靠捕获电压的“共性波动”,使得辨识准确率普遍不高。提出了一种基于等距特征映射(isometric mapping,ISOMAP)降维和改进K-means聚类的户变关系辨识方法,为了增长电压序列的时间尺度,首先研制基于窄带物联网(narrow band internet of things,NB-IoT)技术的智能电表本地通信模块,优化电压采集方案,提高电压采集频次至288点/d;其次将各节点之间的拓扑关系视为高维流型,采用ISOMAP对高维矩阵进行降维处理;最后利用测地距离对K-means算法改进,做聚类计算得到最终户变关系辨识结果。所提算法提高了节点之间的距离置信度,与主成分分析法(principal component analysis,PCA)和K-means算法相比,所提算法对户变关系辨识准确率高达97.1%,在配网实际运行的数据验证了所提算法的辨识有效性。

Isomap在基因表达谱数据聚类分析中的应用

基因表达谱数据的聚类分析对于研究基因功能和基因调控机制有重要意义。基于非线性降维算法等容特征映射 ,提出了一种新的大规模基因表达谱数据聚类算法 ,该方法改进了样本向量之间的距离度量 ,用测地距离代替传统的欧式距离 ,有助于挖掘高维数据内在的几何结构。将该算法应用于两个公开的基因表达数据集 ,并用一种新的评价方法Normalized Cut将聚类结果与其他聚类方法的结果进行了比较。结果表明 ,该文的聚类算法优于其他聚类算法 ,聚类结果具有明显的生物学意义 。